两种用于心脏电影磁共振成像左心室自动分割的深度学习方法

Two Deep Learning Approaches for Automated Segmentation of Left Ventricle in Cine Cardiac MRI

arXiv: 2601.00794v1

论文信息

标题: Two Deep Learning Approaches for Automated Segmentation of Left Ventricle in Cine Cardiac MRI

作者: Wenhui Chu, Nikolaos V. Tsekos

发布日期: 2026-01-02

arXiv ID: 2601.00794v1

PDF 链接: 下载 PDF

3 分钟速览

  • 研究问题：这篇论文要解决心脏电影磁共振成像中左心室的自动分割问题，以减少对耗时且昂贵的人工标注的依赖。
  • 核心方法：基于 U-Net 架构，系统地比较了批归一化、层归一化和批-实例归一化三种技术，并提出了 LNU-Net 和 IBU-Net 两种改进网络。
  • 关键结果：结合批-实例归一化与 ELU 激活函数的 IBU-Net 取得了 0.96 的 Dice 系数，优于原始 U-Net 的 0.87（表 1）。
  • 主要局限：仅在包含 45 名患者的 Sunnybrook 数据集上验证，样本量有限；未充分讨论方法在不同中心数据上的泛化能力。
  • 适合读者：医学图像分析、计算机视觉领域，特别是对深度学习模型结构改进与优化感兴趣的研究人员和工程师。

论文背景和研究动机

心脏疾病是全球人口的主要死亡原因之一。在临床实践中，心脏磁共振成像，尤其是电影磁共振成像，被视为评估心功能的金标准。左心室的精确分割是量化心腔容积、射血分数等功能指标的首要且关键步骤。然而，传统的手动分割由专家逐帧勾画，不仅耗时巨大、成本高昂，且结果高度依赖操作者的经验，存在主观性。因此，开发一种高效、准确且可重复的自动化分割方法，对于提升诊断效率和辅助临床决策具有重要价值。

近年来，卷积神经网络，特别是 U-Net 架构，已成为生物医学图像分割的主流方法。U-Net 凭借其编码器-解码器结构和对少量标注数据的有效性，在众多医学图像任务中表现出色。本研究正是基于此背景，旨在探索不同的数据归一化策略对 U-Net 分割性能的影响。论文的动机在于，通过系统地比较批归一化、层归一化和批-实例归一化，找到能够最有效提升左心室分割精度和训练效率的方法，以提供更可靠、更快速的自动分割工具。

核心方法和技术细节

论文的核心是提出并比较了两种融入不同归一化技术的 U-Net 变体，以自动化地分割短轴电影磁共振图像中的左心室。

首先，作者介绍了研究采用的基线模型和改进架构。网络的基本骨架是全卷积的 U-Net，包含一个用于特征提取的下采样路径和一个用于精确定位的上采样路径。为了提高训练稳定性和性能，作者将原 U-Net 中的修正线性单元激活函数替换为指数线性单元。指数线性单元的优势在于其在负值区间具有非零输出，有助于缓解梯度消失问题并加速学习。

研究的核心在于三种归一化策略的集成：

  • 批归一化：在网络的每个卷积层后插入批归一化层，对每个批次内的数据进行标准化，旨在加速训练并增强模型泛化能力。以此为基础的网络被称为 BNU-Net（图 1）。
  • 层归一化：与批归一化不同，层归一化在每个训练样本的特征维度上进行标准化，其计算独立于批次中的其他样本。作者提出的 LNU-Net（图 2）在每个卷积块中应用层归一化，结合指数线性单元，旨在避免批归一化在小批量或在线学习中的局限性。
  • 批-实例归一化：作者提出的 IBU-Net（图 3）是核心创新点之一。它将实例归一化与批归一化结合在一个卷积块中。实例归一化计算每个样本、每个通道上的均值和标准差，适合风格迁移等任务，但可能丢失对分割至关重要的对比度信息。IBU-Net 通过一个可学习的加权组合，将两种归一化的优势结合起来，使模型能够自适应地调整两者的贡献比例，从而在保持内容对比度的同时，获得稳定的训练特性。

为应对医学图像数据稀少的挑战，研究采用了数据增强策略，包括仿射变换、弹性形变和旋转，以提高模型的鲁棒性（见第 3.1 节）。实验使用了包含 45 名患者（共 805 张图像）的公开 Sunnybrook 数据集，按 15:15:15 的比例划分为训练、验证和测试集。评估指标包括 Dice 系数、Dice 标准差、灵敏度和平均垂直距离。

创新点和贡献

本研究的主要创新与贡献体现在以下三个方面：

  1. 归一化策略的系统性比较与融合：论文深入比较了三种主流归一化方法在同一个左心室分割任务上的表现，并据此提出了 IBU-Net。该架构的创新之处在于将批归一化和实例归一化进行有机组合，而非简单替代。通过可学习的权重，网络能动态决定对两种归一化的依赖程度，平衡了训练稳定性和对图像对比度信息的保留。实验证明，这种融合策略在 Dice 系数上超越了单一归一化方法（表 2）。

  2. 训练效率与精度的双重提升：论文明确指出了所提方法在工程实现上的价值。通过引入编码器架构和适当的丢弃连接，IBU-Net 在取得 0.96 的最佳 Dice 系数的同时，将每轮训练时间从原始 U-Net 的 11 秒缩短至 8 秒，计算效率提升了约 27%。这意味着在相同的计算资源和时间内，可以处理更多的数据或进行更多的实验迭代（见第 3.2 节）。

  3. 针对医学图像分割任务的实践洞察：研究通过消融实验，验证了指数线性单元相对于修正线性单元在该特定任务上的优越性。实验结果表明，在每一种归一化策略下，使用指数线性单元模型的 Dice 系数均高于使用修正线性单元的对应模型（表 1）。这为后续医学图像分割任务的激活函数选择提供了可靠的实证依据。

实验结果分析

论文通过一系列实验，详实地评估了所提方法的有效性。

首先，在归一化方法的对比研究中，结果显示批-实例归一化表现最佳，其在与指数线性单元结合时 Dice 系数达到 0.94，与修正线性单元结合时则为 0.93，均优于层归一化和批归一化（表 1）。这清晰地表明，融合实例与批量的归一化策略对于此分割任务是有益的。

其次，在最终的完整性能评估中（表 2），与数据增强结合的 IBU-Net 在所有指标上均取得最优结果，Dice 系数高达 0.96，Dice 标准差仅为 0.02，显示出高精度与高稳定性。其平均垂直距离为 1.91 毫米，同样为所有方法中最低。值得注意的是，数据增强对 IBU-Net 的性能起到了正面作用，使其 Dice 系数从无增强时的 0.94 提升至 0.96。

最后，在与其他先进方法的横向对比中（表 3），IBU-Net 的 0.96 的 Dice 系数和 1.91 毫米的平均垂直距离均处于领先地位。例如，它显著超越了 Ngo 与 Carneiro 的 0.90 的 Dice 系数以及 Hu 等人的 0.89 的 Dice 系数。论文提供的图 4 和图 5 直观地展示了不同模型在各种心脏病理条件下的分割效果，定性地支持了定量分析的结果，即 IBU-Net 的分割轮廓与真实轮廓最为吻合，尤其在边界模糊的区域，优势更为明显。

实践建议

基于本文的研究发现，对于从事医学图像分割，尤其是心脏结构自动分割的工程师和研究人员，可参考以下实践建议：

  1. 优先尝试批-实例归一化：在规划和设计用于医学图像分割的深度学习模型时，不应局限于仅使用批归一化。应积极将 IBU-Net 风格的批-实例归一化作为一个对比基线。其通过可学习参数动态融合不同归一化优势的策略，已被证明在左心室分割任务中效果显著，这种机制可能对其他器官或模态的分割任务同样有益。

  2. 系统化地探索激活函数与归一化组合：本研究表明，模型结构的改进是综合性的。在您的任务中，不要孤立地评估归一化方法，应将其与激活函数的选择联合调优。例如，指数线性单元与批-实例归一化的组合在本任务中产生了最好的结果。建议以此为起点，尝试线性单元、缩放指数线性单元等其他激活函数与不同归一化层的搭配。

  3. 重视数据增强与模型架构的协同设计：论文量化了数据增强对 IBU-Net 性能的提升（Dice 系数从 0.94 到 0.96）。在实践中，对于有限的数据集，应使用弹性形变等高级增强技术来模拟真实的生物组织形态变化，并结合适度的丢弃连接，以提高模型对形变和噪声的鲁棒性，防止过拟合。

  4. 引入轻量级设计以加速临床部署：IBU-Net 通过编码器架构设计和丢弃连接实现了 27% 的提速，这对于处理大量临床数据和实时性要求高的场景至关重要。在模型开发初期，就应将计算效率作为设计目标之一，考虑使用深度可分离卷积或精简通道数等方法来构建轻量级网络，在不显著牺牲精度的情况下，最大化推理速度，降低对昂贵 GPU 的依赖。